Zum Inhalt

Was hat maschinelles Lernen mit künstlicher Intelligenz zu tun?

Was ist ein neuronales Netz?

Ein künstliches neuronales Netzwerk ist den Neuronen in einem biologischen Gehirn nachempfunden. Künstliche Neuronen werden Knoten genannt und sind in mehreren Schichten gruppiert, die parallel arbeiten. Wenn ein künstliches Neuron ein numerisches Signal empfängt, verarbeitet es dieses und sendet Signale an die anderen mit ihm verbundenen Neuronen. Wie im menschlichen Gehirn führt die neuronale Verstärkung zu einer verbesserten Mustererkennung, Fachkenntnis und allgemeinem Lernen.

Was ist Deep Learning?

Diese Art von maschinellem Lernen wird als „Deep“ (tief) bezeichnet, da sie viele Schichten des neuronalen Netzes und riesige Mengen komplexer und unterschiedlicher Daten umfasst. Um Deep Learning zu ermöglichen, arbeitet das System mit mehreren Schichten im Netz zusammen und extrahiert zunehmend höherwertige Ausgaben. Beispielsweise wird ein Deep-Learning-System, das Naturbilder verarbeitet und nach rauhaarigen Rudbeckien sucht, in der ersten Schicht eine Pflanze erkennen. Während es sich durch die neuronalen Schichten bewegt, identifiziert es dann eine Blume, dann ein Gänseblümchen und schließlich eine rauhaarige Rudbeckie. Beispiele für Deep-Learning-Anwendungen sind Spracherkennung, Bildklassifizierung und pharmazeutische Analyse.

Chat-Bot

Wie funktioniert maschinelles Lernen?

Was ist überwachtes Lernen?

Überwachtes Lernen ist das erste von vier Modellen für maschinelles Lernen. In überwachten Lernalgorithmen lernt die Maschine anhand von Beispielen. Überwachte Lernmodelle bestehen aus „Input“- und „Output“-Datenpaaren. Dabei wird der Output, also die Ausgabe, mit dem gewünschten Wert bezeichnet. Angenommen, das Ziel besteht darin, dass die Maschine den Unterschied zwischen Gänseblümchen und Stiefmütterchen erkennt. Ein binäres Input-Datenpaar enthält sowohl ein Bild eines Gänseblümchens als auch ein Bild eines Stiefmütterchens. Das gewünschte Ergebnis für genau dieses Paar ist die Auswahl des Gänseblümchens, sodass es vorab als korrektes Ergebnis identifiziert wird.

Über einen Algorithmus sammelt das System im Laufe der Zeit all diese Trainingsdaten und beginnt mit der Ermittlung korrelativer Ähnlichkeiten, Unterschiede und anderer Logikpunkte – bis es die Antworten auf Fragen zu Gänseblümchen und Stiefmütterchen selbst ermitteln kann. Das funktioniert in etwa so, wie, wenn man einem Kind verschiedene Probleme mit einem zugehörigen Antwortschlüssel schildert und es bittet, seine Lösung der Probleme inklusive der zugrunde liegenden Logik zu erklären. Überwachte Lernmodelle werden in vielen Anwendungen verwendet, mit denen wir jeden Tag interagieren, beispielsweise Empfehlungsdienste für Produkte und Verkehrsanalyse-Apps wie Waze, die den schnellsten Weg zu verschiedenen Tageszeiten vorhersagen.

Was ist unüberwachtes Lernen?

Unüberwachtes Lernen ist das zweite der vier Modelle für maschinelles Lernen. In diesen Lernmodellen gibt es keinen Antwortschlüssel. Die Maschine untersucht die Eingabedaten – von denen viele unbeschriftet und unstrukturiert sind – und beginnt mit der Erkennung von Mustern und Korrelationen unter Verwendung aller relevanten, zugänglichen Daten. Unüberwachtes Lernen ist in vielerlei Hinsicht davon geprägt, wie Menschen die Welt beobachten. Wir nutzen Intuition und Erfahrung, um Dinge zusammenzufassen. Wenn wir mehr und mehr Beispiele von etwas erleben, wird unsere Fähigkeit, es zu kategorisieren und zu identifizieren, immer genauer. Für Maschinen wird „Erfahrung“ durch die Menge an Daten definiert, die eingegeben und zur Verfügung gestellt werden. Gängige Beispiele für Anwendungen des unüberwachten Lernens sind Gesichtserkennung, Gensequenzanalyse, Marktforschung und Cybersicherheit.

Was ist teilüberwachtes Lernen?

Teilüberwachtes Lernen ist das dritte von vier Modellen für maschinelles Lernen. In einer perfekten Welt wären alle Daten strukturiert und beschriftet, bevor sie in ein System eingegeben werden. Da das natürlich nicht machbar ist, wird das teilüberwachte Lernen zu einer praktikablen Lösung, wenn riesige Mengen an Rohdaten und unstrukturierten Daten vorhanden sind. Dieses Modell besteht aus der Eingabe kleiner Mengen von beschrifteten Daten, um Datensets ohne Bezeichnung „aufzuwerten“. Im Wesentlichen dienen die beschrifteten Daten als Starthilfe für das System und können die Lerngeschwindigkeit und Genauigkeit erheblich verbessern. Ein teilüberwachter Lernalgorithmus weist die Maschine an, die beschrifteten Daten nach korrelativen Eigenschaften zu analysieren, die auf die unbeschrifteten Daten angewendet werden können.

Wie in diesem MIT Press Research Paper ausführlich untersucht wird, sind mit diesem Modell jedoch Risiken verbunden, wobei Fehler in den beschrifteten Daten vom System erlernt und repliziert werden. Unternehmen, die teilüberwachtes Lernen am erfolgreichsten einsetzen, stellen sicher, dass Best-Practice-Protokolle implementiert sind. Teilüberwachtes Lernen wird in Sprach- und linguistischen Analysen, in der komplexen medizinischen Forschung wie bei der Kategorisierung von Proteinen sowie bei der Betrugserkennung auf hohem Niveau eingesetzt.

Was versteht man unter bestärkendem Lernen?

Bestärkendes Lernen ist das vierte der vier Modelle für maschinelles Lernen. Beim überwachten Lernen erhält die Maschine den Antwortschlüssel und lernt, indem sie Korrelationen zwischen allen richtigen Ergebnissen findet. Das Modell für bestärkendes Lernen enthält keinen Antwortschlüssel, sondern gibt eine Reihe von zulässigen Aktionen, Regeln und potenziellen Endzuständen vor. Wenn das gewünschte Ziel des Algorithmus fest oder binär ist, können Maschinen anhand von Beispielen lernen. In Fällen, in denen das gewünschte Ergebnis veränderbar ist, muss das System jedoch durch Erfahrung und Belohnung lernen. Bei den Modellen für bestärkendes Lernen ist die „Belohnung“ numerisch und in den Algorithmus als etwas programmiert, das das System „erfassen“ möchte.

In vielerlei Hinsicht ist dieses Modell vergleichbar damit, jemandem das Schachspielen beizubringen. Sicherlich wäre es unmöglich, ihnen jeden möglichen Schritt zu zeigen. Stattdessen erklären Sie die Regeln, und die Lernenden verbessern ihre Fähigkeiten durch Übung. Die Belohnung besteht nicht nur darin, das Spiel zu gewinnen, sondern auch die Figuren des Gegners zu erobern. Zu den Anwendungen für bestärkendes Lernen gehören automatisierte Preisangebote für Käufer von Online-Werbung, die Entwicklung von Computerspielen und der Börsenhandel mit hohen Einsätzen.

Fahrerloses Auto

Maschinelles Lernen in Unternehmen in Aktion

  • Empfehlungsdienste: Von 2009 bis 2017 stieg die Zahl der US-Haushalte, die Video-Streaming-Services abonnierten, um 450 %. Ein Artikel aus dem Jahr 2020 im Forbes Magazine berichtet von einem weiteren Anstieg in Video-Streaming-Nutzungszahlen von bis zu 70 %. Empfehlungsdienste werden in Anwendungen auf vielen Einzelhandels- und Einkaufsplattformen verwendet, aber vorrangig kommen Sie bei Streaming-Musik- und Video-Diensten zum Einsatz.
  • Dynamisches Marketing: Um Leads zu generieren und sie im gesamten Vertriebskanal zu nutzen, müssen so viele Kundendaten wie möglich gesammelt und analysiert werden. Moderne Verbraucher erzeugen riesige Mengen an vielfältigen und unstrukturierten Daten – von Chat-Transskripten bis hin zu hochgeladenen Bildern. Der Einsatz von Anwendungen für maschinelles Lernen hilft Marketingexperten, diese Daten zu verstehen und sie zu nutzen, um personalisierte Marketinginhalte und Echtzeitinteraktionen mit Kunden und Leads zu ermöglichen.  
  • ERP und Prozessautomatisierung: ERP-Datenbanken enthalten umfassende und unterschiedliche Datensätze, darunter Verkaufsleistungsstatistiken, Verbraucherbewertungen, Markttrendberichte und Datensätze zum Supply Chain Management. Algorithmen für maschinelles Lernen können verwendet werden, um Korrelationen und Muster in solchen Daten zu finden. Diese Erkenntnisse können dann für praktisch jeden Bereich des Unternehmens genutzt werden. Dazu gehören die Optimierung der Workflows von IoT-Geräten (Internet of Things) im Netzwerk oder das Ermitteln der besten Möglichkeiten, sich wiederholende oder fehleranfällige Aufgaben zu automatisieren.
  • Vorausschauende Instandhaltung: Moderne Lieferketten und intelligente Fabriken nutzen zunehmend IoT-Geräte und ‑Maschinen sowie Cloud-Konnektivität über alle Bereiche und Abläufe im Unternehmen. Ausfälle und Ineffizienzen können zu enormen Kosten und Unterbrechungen führen. Wenn Wartungs- und Reparaturdaten manuell erfasst werden, ist es fast unmöglich, potenzielle Probleme vorherzusagen – geschweige denn, Prozesse zu automatisieren, um sie vorherzusagen und zu verhindern. IoT-Gateway-Sensoren können sogar an jahrzehntealte analoge Maschinen angeschlossen werden und sorgen so für Transparenz und Effizienz im gesamten Unternehmen.

Herausforderungen beim maschinellen Lernen

SAP-Richtlinien für künstliche Intelligenz

Der Lenkungsausschuss für KI-Ethik von SAP hat Leitlinien erstellt, um die Entwicklung und Implementierung unserer KI-Software zu steuern.

Maschinelles Lernen optimal nutzen

Folgen Sie diesen fünf Lektionen von Unternehmen, die mit maschinellem Lernen erfolgreich waren, und treten Sie in die Fußstapfen der Vorreiter auf diesem Gebiet.

FAQs zu maschinellem Lernen

Was ist der Unterschied zwischen KI und maschinellem Lernen?

Maschinelles Lernen ist eine Teilmenge von KI und kann ohne sie nicht existieren. KI nutzt und verarbeitet Daten, um Entscheidungen und Vorhersagen zu treffen – es ist das Gehirn eines computerbasierten Systems und die „Intelligenz“, die von Maschinen ausgenutzt wird. Algorithmen für maschinelles Lernen innerhalb der KI sowie andere KI-gestützte Apps ermöglichen es dem System, diese Daten nicht nur zu verarbeiten, sondern auch zu verwenden. Damit führen sie Aufgaben aus, treffen Vorhersagen, lernen und werden intelligenter, ohne dass zusätzliche Programmierung erforderlich ist. Sie vermitteln der KI ein Ziel, das mithilfe all dieser Intelligenz und Daten erreicht werden soll.

Kann maschinelles Lernen einem vorhandenen System hinzugefügt werden?

Ja, aber es sollte nicht nur als IT-Upgrade, sondern als unternehmensweites Projekt angegangen werden. Die Unternehmen, die mit Projekten zur digitalen Transformation die besten Ergebnisse erzielen, führen eine umfassende Bewertung ihrer vorhandenen Ressourcen und Fähigkeiten durch und gewährleisten, dass sie die richtigen zugrunde liegenden Systeme besitzen, bevor sie mit dem Projekt beginnen.

Datenwissenschaft versus maschinelles Lernen

Bezogen auf das maschinelle Lernen ist die Datenwissenschaft eine Teilmenge. Sie konzentriert sich auf Statistiken und Algorithmen, verwendet Regressions- und Klassifizierungstechniken und interpretiert und kommuniziert Ergebnisse.  Maschinelles Lernen konzentriert sich auf Programmierung, Automatisierung, Skalierung sowie Implementierung und Aufbewahren der Ergebnisse.

Data-Mining versus maschinelles Lernen

Maschinelles Lernen betrachtet Muster und Zusammenhänge, lernt von ihnen und optimiert sich selbst. Data-Mining dient als Informationsquelle für maschinelles Lernen. Data-Mining-Verfahren verwenden selbst komplexe Algorithmen. Sie können helfen, besser organisierte Datenbestände für die Anwendung zum maschinellen Lernen bereitzustellen.

Deep Learning versus neuronale Netze

Die angeschlossenen Neuronen bei einem künstlichen neuronalen Netz werden als Knoten bezeichnet, die miteinander verbunden und in Schichten geclustert sind. Wenn ein Knoten ein numerisches Signal empfängt, sendet er Signale an andere relevante Neuronen, die parallel arbeiten. Deep Learning nutzt das neuronale Netz und ist „tief“, weil es sehr große Datenmengen verwendet und mit mehreren Schichten im neuronalen Netzwerk gleichzeitig interagiert. 

Maschinelles Lernen versus Statistiken

Maschinelles Lernen ist die Verschmelzung mehrerer Lernmodelle, ‑techniken und ‑technologien, die auch Statistiken beinhalten können. Die Statistik selbst konzentriert sich auf die Verwendung von Daten, um Vorhersagen zu treffen und Modelle für die Analyse zu erstellen.

Zum Seitenanfang